Fugu-MT 論文翻訳(概要): Noise or Nuance: An Investigation Into Useful Information and Filtering For LLM Driven AKBC

論文の概要: Noise or Nuance: An Investigation Into Useful Information and Filtering For LLM Driven AKBC

arxiv url: http://arxiv.org/abs/2509.08903v1
Date: Wed, 10 Sep 2025 18:04:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-12 16:52:24.094761
Title: Noise or Nuance: An Investigation Into Useful Information and Filtering For LLM Driven AKBC
Title（参考訳）: 騒音・ニュアンス:LLM駆動型AKBCのための有用な情報・フィルタリングに関する研究
Authors: Alex Clay, Ernesto Jiménez-Ruiz, Pranava Madhyastha,
Abstract要約: 本稿では,3つの完了タスク(生成,品質保証,LCM応答解析)の3つの側面について検討する。付加的な情報によって生成品質が向上し、LLMは品質の悪い3倍体をフィルタリングするのに有効である。
参考スコア（独自算出の注目度）: 5.922562020228145
License: http://creativecommons.org/licenses/by/4.0/
Abstract: RAG and fine-tuning are prevalent strategies for improving the quality of LLM outputs. However, in constrained situations, such as that of the 2025 LM-KBC challenge, such techniques are restricted. In this work we investigate three facets of the triple completion task: generation, quality assurance, and LLM response parsing. Our work finds that in this constrained setting: additional information improves generation quality, LLMs can be effective at filtering poor quality triples, and the tradeoff between flexibility and consistency with LLM response parsing is setting dependent.
Abstract（参考訳）: RAGと微調整は、LLM出力の品質向上のための一般的な戦略である。しかし、2025年のLM-KBCチャレンジのような制約のある状況では、そのような技術は制限されている。本研究では,3つの完了タスク(生成,品質保証,LCM応答解析)の3つの側面について検討する。追加情報により生成品質が向上し、LLMは品質の悪い3倍体をフィルタリングするのに有効であり、LLM応答解析との柔軟性と一貫性のトレードオフは、設定に依存する。

関連論文リスト

ObfusQAte: A Proposed Framework to Evaluate LLM Robustness on Obfuscated Factual Question Answering [3.131352561462676]
大規模言語モデル(LLM)は、現実的な質問応答が可能なAIシステムの開発に寄与している。難解な質問が提示されたとき、LSMの堅牢性をテストする既知の研究はない。本稿では,多層難読化レベルのフレームワークであるObfusQAを紹介し,LLMの能力について検討する。
論文参考訳（メタデータ） (2025-08-10T12:27:52Z)
What Factors Affect LLMs and RLLMs in Financial Question Answering? [7.894663200248501]
本研究では,様々な手法が大規模言語モデル(LLM)に与える影響と,大規模言語モデル(RLLM)が財務的質問応答タスクに与える影響について検討する。本研究は,金融質問応答におけるLCMの促進手法とエージェント・フレームワークにより,LCMの性能が向上することが示唆された。 RLLMはLong CoT機能を備えており、従来の手法の有効性を制限し、性能をさらに向上させる。
論文参考訳（メタデータ） (2025-07-11T06:37:44Z)
Differentially Private Steering for Large Language Model Alignment [55.30573701583768]
本稿では,大規模言語モデルとプライベートデータセットの整合性に関する最初の研究について述べる。本研究は,プライバシ保証付きアクティベーションを編集するPSA(Private Steering for LLM Alignment)アルゴリズムを提案する。以上の結果から,PSAはLPMアライメントのDP保証を実現し,性能の低下を最小限に抑えることができた。
論文参考訳（メタデータ） (2025-01-30T17:58:36Z)
Provenance: A Light-weight Fact-checker for Retrieval Augmented LLM Generation Output [49.893971654861424]
検索強化生成(RAG)から非実効出力を検出する軽量な手法を提案する。私たちは、二項決定を下すためにしきい値にできる事実性スコアを計算します。実験の結果, ROC曲線 (AUC) の下では, 関連するオープンソースデータセットの広範囲にわたって高い面積を示すことができた。
論文参考訳（メタデータ） (2024-11-01T20:44:59Z)
Control Large Language Models via Divide and Conquer [94.48784966256463]
本稿では,Lexically Constrained Generation(LCG)に着目し,大規模言語モデル(LLM)のプロンプトベース制御による制御可能生成について検討する。我々は,レキシカル制約を満たすためのLLMの性能を,プロンプトベース制御により評価し,下流アプリケーションでの有効性を検証した。
論文参考訳（メタデータ） (2024-10-06T21:20:06Z)
Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。 LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
論文参考訳（メタデータ） (2024-06-20T13:08:09Z)
Toward Self-Improvement of LLMs via Imagination, Searching, and Criticizing [56.75702900542643]
大規模言語モデルの自己改善のためのAlphaLLMを紹介する。モンテカルロ木探索(MCTS)とLLMを統合し、自己改善ループを確立する。実験の結果,AlphaLLM は付加アノテーションを使わずに LLM の性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2024-04-18T15:21:34Z)
LLM2LLM: Boosting LLMs with Novel Iterative Data Enhancement [79.31084387589968]
事前訓練された大規模言語モデル(LLM)は、現在、自然言語処理タスクの大部分を解決するための最先端技術である。 LLM2LLMは、教師のLLMを使って小さなシードデータセットを強化するデータ拡張戦略である。 GSM8Kデータセットでは最大24.2%、CaseHOLDでは32.6%、SNIPSでは32.0%、TRECでは52.6%、SST-2では39.8%の改善が達成された。
論文参考訳（メタデータ） (2024-03-22T08:57:07Z)
Faster and Lighter LLMs: A Survey on Current Challenges and Way Forward [29.81212051279456]
モデル圧縮およびシステムレベルの最適化手法の最近の進歩は、LLM推論を強化することを目的としている。この調査はこれらの手法の概要を提供し、最近の発展を強調している。
論文参考訳（メタデータ） (2024-02-02T06:29:34Z)
LLM-Pruner: On the Structural Pruning of Large Language Models [65.02607075556742]
大規模言語モデル(LLM)は、言語理解と生成において顕著な能力を示している。タスク非依存であり、元のトレーニングデータセットへの依存を最小限に抑えるという2つの制約の範囲内でLLMの圧縮に取り組む。 LLM-Prunerという名前のこの手法は、非臨界結合構造を選択的に除去する構造プルーニングを採用する。
論文参考訳（メタデータ） (2023-05-19T12:10:53Z)
Large Language Model Is Not a Good Few-shot Information Extractor, but a Good Reranker for Hard Samples! [43.51393135075126]
大きな言語モデル(LLM)は、様々なタスクにおいて顕著な進歩を遂げています。その結果,従来のLCMは微調整SLMに比べて性能が劣り,レイテンシが高く,予算要求も増大していることがわかった。 LLMの強度とSLMの強度を結合する適応フィルタ-then-rerankパラダイムを提案する。
論文参考訳（メタデータ） (2023-03-15T12:20:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。